CN115238505B - 基于风光场站的热电氢联供型系统优化配置方法及系统 - Google Patents
基于风光场站的热电氢联供型系统优化配置方法及系统 Download PDFInfo
- Publication number
- CN115238505B CN115238505B CN202210891502.2A CN202210891502A CN115238505B CN 115238505 B CN115238505 B CN 115238505B CN 202210891502 A CN202210891502 A CN 202210891502A CN 115238505 B CN115238505 B CN 115238505B
- Authority
- CN
- China
- Prior art keywords
- heat
- hydrogen
- energy
- wind
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 158
- 239000001257 hydrogen Substances 0.000 title claims abstract description 157
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002431 foraging effect Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims description 86
- 239000007789 gas Substances 0.000 claims description 47
- 239000000446 fuel Substances 0.000 claims description 45
- 238000005338 heat storage Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 30
- 238000010248 power generation Methods 0.000 claims description 24
- 238000004146 energy storage Methods 0.000 claims description 20
- 238000013178 mathematical model Methods 0.000 claims description 20
- 230000019637 foraging behavior Effects 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000011217 control strategy Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 239000002918 waste heat Substances 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 241000288673 Chiroptera Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000020169 heat generation Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000005868 electrolysis reaction Methods 0.000 claims description 3
- 150000002431 hydrogen Chemical class 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 3
- 241000330899 Hepialus Species 0.000 abstract description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 17
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000007306 turnover Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 241001175904 Labeo bata Species 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 229920001903 high density polyethylene Polymers 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开属于能源优化配置技术领域，具体涉及一种基于风光场站的热电氢联供型系统优化配置方法及系统，包括：获取基于风光场站的热电氢联供型系统参数；基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，得到热电氢联供型系统容量的最优配置。
Description
技术领域
本公开属于能源优化配置技术领域，具体涉及一种基于风光场站的热电氢联供型系统优化配置方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
能源是人类社会发展过程中不可或缺的物质，我国以煤、石油等为代表的化石能源储量急剧下降。以风能、太阳能等能源为代表的可再生能源具有清洁、灵活、储量丰富、投资成本低等优点，被广泛应用于分布式发电中。氢能作为一种二次清洁能源，具有发电过程本身零排放、可跨能源网络互联和可大容量储能等特点，因此有望成为解决新能源大规模接入电网问题的有效方法。
现有研究存在着复杂问题会陷入局部最优解和收敛速度较慢的问题，且没有将电锅炉、燃气锅炉、燃气轮机等设备添加到风光场站的氢储能系统中。
发明内容
为了解决上述问题，本公开提出了一种基于风光场站的热电氢联供型系统优化配置方法及系统，优化了基于风光场站的热电氢联供型系统容量配置，提高了频谱利用率以及虚拟电厂中数据通信的可靠性和效率。
根据一些实施例，本公开的第一方案提供了一种基于风光场站的热电氢联供型系统优化配置方法，采用如下技术方案：
一种基于风光场站的热电氢联供型系统优化配置方法，包括：
获取基于风光场站的热电氢联供型系统参数；
基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；
其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，得到热电氢联供型系统容量的最优配置。
作为进一步的技术限定，所述风光场站的热电氢联供型系统包括光伏发电系统模型、风力发电系统模型、电储能系统模型、燃料电池发电系统模型、水电解制氢系统模型、氢储能系统模型、电锅炉模型和热储能系统模型。
进一步的，所获取的基于风光场站的热电氢联供型系统参数包括各个模型的运行工况、容量配置和发电量影响因素。
进一步的，所述热电氢联供型系统的总成本至少包括各个模型的初始投资成本、运行维护成本、置换成本和污染治理成本。
作为进一步的技术限定，所述目标函数以总成本最小为目标，以功率平衡约束、蓄电池运行约束、氢能系统约束、蓄热槽运行约束、锅炉设备运行约束和燃气轮机运行约束。
作为进一步的技术限定，在热电氢联供型系统正常运行时，由光伏电池和风机出力满足电负荷需求，剩余功率则给蓄电池充电或供给电锅炉进行产热，若电负荷需求较大，缺额功率由蓄电池和燃料电池进行补充；
若电锅炉、燃料电池或电解槽进行工作，将其产热提供给热负荷，剩余热能，由蓄热槽进行储存；不足的热能由蓄热槽和燃气锅炉补充。
作为进一步的技术限定，在所述采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解的过程中，初始化改进蝠鲼觅食优化算法参数，其中所述参数包括种群大小N，最大迭代次数，翻筋斗的系数；当前迭代次数，随机产生N个蝠鲼作为初始值；计算每个蝠鲼的适应度值；在每两个蝠鲼的适应度值取较小者，将该较小者与下一个蝠鲼的适应度值作比较，直到找到最优的适应度值及其所对应的权重因子值；根据旋风式觅食行为数学模型更新位置，根据链式觅食行为数学模型更新位置，计算此位置所对应的每个蝠鲼的适应度值，比较每两个蝠鲼的适应度值，取较小者与下一个蝠鲼的适应度值作比较，直到找到此位置最优的适应度值及其所对应的权重因子值；根据翻筋斗觅食数学模型更新位置；判断迭代次数是否达到最大迭代次数，若达到，则计算并输出检测概率；否则，继续迭代计算求解。
根据一些实施例，本公开的第二方案提供了一种基于风光场站的热电氢联供型系统优化配置系统，采用如下技术方案：
一种基于风光场站的热电氢联供型系统优化配置系统，包括：
获取模块，其被配置为获取基于风光场站的热电氢联供型系统参数；
优化模块，其被配置为基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；
其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，得到热电氢联供型系统容量的最优配置。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于风光场站的热电氢联供型系统优化配置方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于风光场站的热电氢联供型系统优化配置方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开将氢储能系统并入热电联供型微电网中，构成热电氢联供型微电网，采用蝠鲼觅食算法优化基于风光场站的热电氢联供型系统容量配置，提高了风光消纳能力，降低可再生能源发电的弃电率，在一定程度上降低我国化石能源的对外依存度；
在社会方面，将热电联供系统与微电网相结合，能够同时满足用户对于电、热负荷的需求，实现能量的梯级利用，有效提高光伏、风电消纳能力，提高能源利用率，改善环境效益，减少污染气体的排放；
在经济方面，以各设备的初始投资成本、系统的运行维护成本、置换成本和污染气体的治理费用为目标函数，最小化经济成本；
在技术方面，采用优于传统算法的蝠鲼觅食算法，优化基于风光场站的热电氢联供型系统容量配置。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的基于风光场站的热电氢联供型系统优化配置方法的流程图；
图2是本公开实施例一中的基于风光场站的热电氢联供型系统的架构图；
图3是本公开实施例一中的氢储能系统的原理图；
图4是本公开实施例一中的基于风光场站的热电氢联供型系统优化配置方法的运行控制策略图；
图5是本公开实施例一中的蝠鲼觅食算法的流程图；
图6是本公开实施例二中的基于风光场站的热电氢联供型系统优化配置系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于风光场站的热电氢联供型系统优化配置方法。
如图1所示的一种基于风光场站的热电氢联供型系统优化配置方法，包括：
获取基于风光场站的热电氢联供型系统参数；
基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；
其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，得到热电氢联供型系统容量的最优配置。
为实现优化基于风光场站的热电氢联供型系统容量配置，提高频谱利用率以及虚拟电厂中数据通信的可靠性和效率，本实施例采用了如下的技术方案：建立基于风光场站的热电氢联供型系统模型；建立容量配置目标函数和相应约束条件；制定基于风光场站的热电氢联供型系统运行控制策略；初始化改进蝠鲼觅食优化算法参数；计算每个蝠鲼的适应度值；通过比较的方式比较每两个蝠鲼的适应度值取较小者；根据随机数的选取，蝠鲼当前位置在链式觅食行为和旋风式觅食行为之间进行切换；所有位置的更新和计算都是交互执行的，直到达到最大迭代次数；最后找到全局最小适应度值。
首先，建立如图2所示的基于于风光场站的热电氢联供型系统模型，热电氢联供型系统架构主要由以光伏发电、风力发电为主的分布式电源、储能设备、供能设备及负荷组成；其中，储能设备包括电储能系统、氢储能系统和热储能系统；负荷包括电负荷和热负荷；电锅炉为热电耦合元件，燃料电池与电解槽为热电氢耦合元件。
如图3所述的氢储能系统，充分考虑其热电耦合关系，对燃料电池和电解槽进行建模。考虑到氢能利用率低的实际情况，余热利用成为提高氢能系统效率的有效手段之一。
本实施例对氢转电、热系统，电转氢、热系统及氢气储存装置进行建模；对于燃料电池，其氢气直接来源于电解槽。氢储能系统产生的热能主要来源于燃料电池电堆及电解槽发热。
光伏发电系统发电量除了与其规模容量等参数相关外，还受实际光照强度与外界环境温度的影响。因此当参数确定时，光伏电池的输出功率可表示为：
其中，Ppv(t)为光伏发电系统的实际输出功率；Pstd为光伏发电系统额定功率；fpv是功率衰退系数；S(t)是实时的辐照度(kw/m2)，Sstd是标准辐照度，αp是功率温度系数；Tc(t)和Tstd分别为时刻t的光伏面板温度和标准环境温度。
光伏面板温度Tc(t)可表示为：
Tc(t)＝Tac(t)+λG(t)
其中，Tac(t)表示实际的环境温度；λ表示辐射温度系数，取0.025 6，根据上面两个公式可得到光伏系统的年小时出力情况，并将其作为氢储能优化配置的前置输入条件，用于判断发电侧功率与调度指令之间的大小关系及二者的差值。
风力发电系统在发电时，先将风能转化为机械能，再将机械能转化为电能。其出力主要受风机轮毂处风速的影响，与风速之间的近似关系可表示为：
其中，Pwt(t)是风电的实际功率；v(t)为实时风速，Cwt为风力发电系统额定功率，vin为切入风速，vr为额定风速，vout为切出风速。
电储能装置能够抑制风光出力不确定性带来的直流母线电压波动，保证电能的存储、流动和释放。本实施例所采用的电储能系统主要包括蓄电池和DC/DC变换器。蓄电池的数学模型可表示为：
其中，Ebat(t)为蓄电池t时刻储存的电能，Ebat(t-1)为蓄电池t-1时刻储存的电能，Pbat-ch(t)、Pbat-dis(t)分别为蓄电池t时刻充放电功率，ηbat-dc为蓄电池DC/DC变换器效率，ηbat-ch、ηbat-dis分别为蓄电池充放电效率，Soc为蓄电池荷电状态，Cbat为其额定容量。
燃料电池发电系统建模中燃料电池从储氢罐中获取的总功率为Pr-H2，电功率为Pr，其余功率以热能形式存在，可表示为：
燃料电池传输至直流母线的功率为：
其中，nr为燃料电池消耗氢气速率，LHV_H2为氢气低热值，Pr-bus为燃料电池母线输入功率，ηr-dc为燃料电池变换器效率。
燃料电池输出电功率与热能间的关系为：
Hr＝(1-ηr)Pr/ηr
燃料电池产生的热能一部分在空气中耗散，剩余部分传递至热母线。燃料电池最终向热母线输出的热能可表示为：
Hr-bus＝ηr_reHr
其中，ηr_re为传热效率。
水电解制氢系统建模中电解槽的工作温度变化不能超过其上限，而本实施例主要关注电解槽在调度中需要向用户提供热量。为简化计算，将电解槽工作温度设为定值70℃。则电解槽电热功率关系式为：
其中，Pd为电解槽从直流母线获取的电功率，Pd-H2为用于制氢的功率，Hd为电解槽用于产热的功率，ηd为电解槽的效率。
电解槽制氢速率为：
其中，nd为电解槽产氢速率，Pd-bus为直流母线向电解槽提供的电功率，ηd_dc为电解槽变换器效率。
最终，电解槽流向热母线的功率为：
Hd-bus＝ηd_reHd
其中，ηd_re为传热效率。
储氢罐用于收集电解槽产生的氢气，并为燃料电池提供氢气。目前现有储氢罐的类型主要包括铝内胆纤维缠绕型和塑料内胆纤维缠绕型两类。未来储氢罐将朝着高压力、轻量化和大容量的方向发展。
氢能系统工作时，燃料电池使用储氢罐中的氢气进行发电，满足电负荷需求。电解槽则在系统有剩余功率的情况下消耗电能进行制氢，产生的氢气储存在储氢罐中。在进行微电网系统的配置调度研究中，以储氢罐中氢的等效能量参数对其进行建模。当电解槽工作时，储氢罐中能量增加；当燃料电池工作时，储氢罐中能量减少。因此，储氢罐储存的能量可以用电解槽的输入功率和燃料电池的输出功率进行估算，如下式所示：
式中，Etank(t)表示t时刻储氢罐储存的能量；ηtank表示储氢罐的工作效率。
为便于研究储氢罐的储存状态，类比蓄电池SOC，本实施例引入等效荷氢状态SOHC，可表示为：
式中，Psto(t)表示储氢罐内压强；PN表示储氢罐内最大压强。
电锅炉(Electric boiler,EB)是将电能转换为热能的能源耦合设备，通过电磁感应加热、电阻加热或半导体加热方式加热载体以输出热能。其模型与锅炉效率有关：
Heb(t)＝ηE_HPeb(t)
Heb(t)为电锅炉产生热量，ηE_H表示电锅炉电-热转换效率，Peb(t)表示电锅炉吸收母线功率的大小。
燃气轮机和燃气锅炉均消耗天然气工作，燃气轮机是微能源网内广泛使用的热电联供设备，其发电产生的余热可由余热锅炉回收利用，其t时刻电功率Pgt(t)和热功率Qh_gt(t)可计算如下：
Pgt(t)＝ηgtVCH4(t)LHVCH4
Hgt(t)＝αgtPgt(t)
其中，ηgt和αgt分别为燃气轮机的发电效率和热电比；VCH4(t)为t时刻消耗的天然气的体积；LHVCH4为天然气的低热值。
当燃气轮机的余热不能满足微能源网内热负荷需求时，使用燃气锅炉补热，其t时刻热功率Qgb(t)可计算如下：
Hgb(t)＝ηgbVCH4(t)LHVCH4
其中，ηgb为燃气锅炉的效率。
蓄热槽是用于储存和释放热能的设备。当系统供应热能不足时，蓄热槽释放热能满足热负荷需求；当系统产热充足时，蓄热槽储存多余的热能。这使得热电氢联供型微电网相对于传统单一能源微电网系统而言实现了能源利用率的大幅提升。由原理分析可知，蓄热槽具有与蓄电池相似的运行特性，因此其数学模型可表示为：
其中，Htst(t)为蓄热槽t时刻储存的热能，Htst(t-1)为蓄热槽t-1时刻储存的热能，Htst-ch(t)、Htst-dis(t)分别为蓄热槽t时刻蓄放热功率，ηtst-dc为蓄热槽换热器效率，ηtst-ch、ηtst-dis分别为蓄热槽蓄放热效率，Hoc为蓄热槽蓄热状态，Ctst为其额定容量。
其次，将各设备的初始投资成本、系统的运行维护成本、置换成本和污染气体的治理费用作为成本函数；并建立容量配置目标函数和相应约束条件；
将各设备的初始投资成本、系统的运行维护成本、置换成本和污染气体的治理费用作为成本函数如下：
C＝Cin+Com+Cre+Cen
式中，C表示全寿命周期内总的投资成本；Cin表示系统初始设备投资成本；Com表示系统的运行维护成本；Cre表示各设备的置换成本；Cen表示污染气体的治理费用；微电网寿命取20年。
(1)各设备的初始投资成本
微电网的初始投资成本包括光伏电池、风机、蓄电池、燃料电池、电解槽、储氢罐、电锅炉、燃气锅炉、燃气轮机以及蓄热槽的设备购买成本，主要取决于设备的容量。初始投资成本可表示为：
式中，λ1～λ10分别表示微电网中10个设备的单位容量购买成本；R1～R10分别表示各设备的额定容量。
(2)系统的运行维护成本
运行维护成本包括主要设备的维护保养费用，具体可表示为：
式中，k1～k10分别表示各设备的单位功率运行维护成本；P1～P10分别表示各设备的工作功率；T0代表微电网寿命周期。
(3)置换成本
置换成本是指在微电网寿命周期内更换设备所花费的费用。一般而言，微电网的寿命周期为20年，光伏电池、风机等设备寿命较长，不需更换，但蓄电池、燃料电池等设备寿命相对较短，需要进行更换，置换成本如下所示。
式中，mi分别表示蓄电池、燃料电池、电解槽、电锅炉、燃气锅炉、燃气轮机以及蓄热槽在微电网寿命周期内需要更换的次数；Li分别表示上述设备的使用寿命。
(4)污染气体的治理费用
燃气轮机和燃气锅炉在工作时会产生SO2、CO2、NO2等污染气体，需要对污染气体进行治理。为统一量纲，便于后面的分析，将其转化为治理费用，治理费用与燃气锅炉的输出功率有关，可表示为：
式中，和为燃气锅炉和燃气轮机产生污染气体m的排放系数；ρm为污染气体m的治理成本。
以热电氢联供型微电网为研究对象，以微电网系统内各微源容量为优化对象，在保证系统自治能力的条件下，以经济性成本、环保性和能量过剩率为优化目标进行容量优化配置研究。为便于分析，将三个优化目标都转化为经济费用处理，最终以综合费用最小为目标进行优化，因此，目标函数设置为：
min f＝ω1Cin+ω2Com+ω3Cre+ω4Cen
式中，ω1、ω2、ω3和ω4表示权重系数，表征各目标函数的重要程度。
约束条件是指在求解某些问题时，已知并且必须遵守的条件，根据形式不同，可以分为等式约束和不等式约束两种。在热电氢联供型微电网的容量配置中，优化变量主要为各设备的容量，考虑到优化变量的实际意义，所提出的约束条件主要包括功率平衡约束、各微源运行特性约束以及在实际应用中保证系统长期稳定运行的约束。
(1)功率平衡约束
热电氢联供型微电网的功率平衡包括电功率平衡和热功率平衡。电能平衡主要由可再生能源发电量、蓄电池出力、燃料电池出力、电解槽消耗功率、电锅炉消耗功率、电负荷以及系统缺额功率和过剩功率组成；热能平衡主要由燃气锅炉出力、电锅炉、燃料电池和电解槽回收的热量、蓄热槽出力以及热负荷组成。
Pwt(t)+Ppv(t)+Pr(t)+Pbat-dis(t)+Punmct(t)＝Pl(t)+Pd(t)+Peb(t)+Pbat-ch(t)+Pcxc(t)
Hgb(t)+Hgt(t)+Heb(t)+Htst-dis(t)+Hd(t)+Hr(t)＝Hl(t)+Htst-ch(t)
式中，Punmet(t)表示系统缺额功率；Pl(t)表示电负荷需求功率；Hl(t)表示热负荷需求功率。
(2)蓄电池运行约束
蓄电池由于频繁地进行充、放电，损耗较为严重，导致寿命相对较短。对蓄电池的充放电深度以及荷电状态进行约束，能够有效地延长其循环寿命，降低系统成本。一般而言，蓄电池的充放电深度越深，循环寿命越短，蓄电池的最大充放电功率一般取为额定功率的20％。
式中，和分别表示蓄电池充电功率上下限；和分别表示蓄电池放电功率上下限；SOCmax和SOCmin为蓄电池荷电状态上下限。
(3)氢能系统约束
式中，和分别为燃料电池运行功率上下限；和分别为电解槽运行功率上下限；SOHCmax和SOHCmin为储氢罐储氢状态上下限。
(4)蓄热槽运行约束
式中，和别为蓄热槽蓄放热功率上下限；HOCmax和HOCmin为蓄热槽蓄热状态上下限。
(5)设备运行约束
式中，分别为电锅炉运行功率上下限；分别为燃气锅炉运行功率上下限；分别为燃气轮机运行功率上下限。
再次，制定基于风光场站的热电氢联供型系统运行控制策略；
微电网的运行控制策略十分重要，因为它直接影响着微电网运行过程中各微源的出力顺序与出力大小。因此在对微电网进行配置之前，必须制定合理有效的控制策略，以确保微电网容量配置结果的经济性。
在热电氢联供型微电网正常运行时，由光伏电池和风机出力满足电负荷需求，若有剩余功率，则给蓄电池充电或供给电锅炉进行产热，若电负荷需求较大，则缺额功率由蓄电池和燃料电池进行补充；若电锅炉、燃料电池或电解槽进行工作，则优先将其产热提供给热负荷，若有剩余热能，由蓄热槽进行储存，若热能不足，由蓄热槽和燃气锅炉进行补充，以满足用户用热需求。
具体的运行控制策略如图4所示，包括满足电负荷策略和满足热负荷策略两部分。
(1)当风光出力总和大于电负荷功率时，由光伏和风机给用户供电。多余能量优先供给电锅炉。电锅炉功率最大时若蓄电池有可充电容量，则能量供给蓄电池充电。若蓄电池已达到饱和状态不能进行充电时，剩余能量提供给电解槽进行电解水制氢，所得氢气储存在储氢罐中。若储氢罐储氢量达到最大时还有多余电能，则将能量传输到大电网。
(2)当风光出力总和小于电负荷功率时，优先由蓄电池进行放电。若蓄电池放电能量无法满足电负荷需求时，启动燃料电池进行发电，所需氢气来源于储氢罐。若燃料电池以最大功率进行发电仍无法满足电负荷需求，则向大电网寻求帮助，若大电网也无多余电量，则造成系统电功率缺额。
(3)当电锅炉、燃料电池和电解槽三者中任意设备工作时，考虑到电锅炉的电热转换特性以及燃料电池、电解槽的产热特性，优先由其产生的热能满足热负荷。若所提供的热能充足，多余热能供给蓄热槽储存起来；若所供热能不足，优先由蓄热槽进行放热。若蓄热槽最大放热功率仍小于热负荷功率，则系统不足的热能由燃气轮机补充，当燃气轮机的余热不能满足微能源网内热负荷需求时，使用燃气锅炉补热。
最后，采用如图4所示的蝠鲼觅食算法对热电氢联供型系统容量进行优化配置，在每次迭代中，每个个体根据其上一次迭代位置和参考位置来更新位置。当t/T<rand时，选择搜索空间中随机生成的位置作为探索的参考位置，而在t/T>rand时，选择当前最佳解决方案作为探索的参考位置。同时，根据随机数的产生，MRFO可以在链式觅食行为和旋风式觅食行为之间进行切换。最后根据翻筋斗觅食更新位置。所有的更新和计算都是交互执行的，直到满足停止条件后输出最优解位置；具体为：
初始化改进蝠鲼觅食优化算法参数，其中包括种群大小N，最大迭代次数MaxIt，翻筋斗的系数S；当前迭代次数It，随机产生N个蝠鲼作为初始值；
计算每个蝠鲼的适应度值；通过比较的方式比较每两个蝠鲼的适应度值取较小者，再将该较小者与下一个蝠鲼的适应度值作比较；直到找到此时的最优值BestF，以及对应的权重因子值BestX；
设有随机数rand，其值在(0，1)之间；若rand<0.5，则根据旋风式觅食行为数学模型更新位置；基本原则有：设有coef＝It/MaxIt，当coef<rand时，选择搜索空间中随机生成的位置作为探索最优解的参考位置；当coef>rand时，选择当前最佳解决方案BestF对应的权重因子值BestX作为探索最优解的参考位置；否则根据链式觅食行为数学模型更新位置；
计算此时位置对应每个蝠鲼的适应度值；比较每两个蝠鲼的适应度值取较小者，再将该较小者与下一个蝠鲼的适应度值作比较；直到找到此时的最优值newPopF，以及对应的权重因子值newPopP；
根据翻筋斗觅食数学模型更新位置，并通过与步骤7中的newPopF比较的方式得到Best_PopF，以及对应的位置Best_PopP；
判断迭代次数It是否达到最大迭代次数MaxIt，若达到，则计算并输出检测概率；否则，迭代次数It＝It+1，重复迭代计算。
当coef<rand时，旋风式觅食行为的数学模型如下：
其中，xi,m(t)是第i个蝠鲼在第t次迭代中第m维度的位置，是在搜索空间中随机产生的一个随机位置，r是(0,1)范围内的随机向量；Ubd和Lbd分别是在第m维度上的上限和下限，在协作频谱感知模型下Ubd＝1，Lbd＝0；β是权重系数，其中r1是(0，1)中的随机数。
当coef>rand时，旋风式觅食行为的数学模型如下：
其中，是第t次迭代高浓度浮游生物的位置，选择当前最佳解决方案BestF对应的权重因子值BestX作为探索最优解的参考位置。
根据链式觅食行为数学模型更新位置；
链式觅食行为数学模型如下：
其中，α是权重系数，
根据翻筋斗觅食数学模型更新位置，并通过与newPopF比较的方式得到Best_PopF，以及对应的位置Best_PopP；
翻筋斗觅食数学模型如下：
S是决定蝠鲼空翻范围的空翻系数，S＝2；r2和r3是(0，1)中的两个随机数。
本实施例将氢储能系统并入热电联供型微电网中，构成热电氢联供型微电网，采用蝠鲼觅食算法优化基于风光场站的热电氢联供型系统容量配置，提高了风光消纳能力，降低可再生能源发电的弃电率，在一定程度上降低我国化石能源的对外依存度；
在社会方面，将热电联供系统与微电网相结合，能够同时满足用户对于电、热负荷的需求，实现能量的梯级利用，有效提高光伏、风电消纳能力，提高能源利用率，改善环境效益，减少污染气体的排放；
在经济方面，以各设备的初始投资成本、系统的运行维护成本、置换成本和污染气体的治理费用为目标函数，最小化经济成本；
在技术方面，采用优于传统算法的蝠鲼觅食算法，优化基于风光场站的热电氢联供型系统容量配置。
实施例二
本公开实施例二介绍了一种基于风光场站的热电氢联供型系统优化配置系统。
如图6所示的一种基于风光场站的热电氢联供型系统优化配置系统，包括：
获取模块，其被配置为获取基于风光场站的热电氢联供型系统参数；
优化模块，其被配置为基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；
其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，得到热电氢联供型系统容量的最优配置。
详细步骤与实施例一提供的基于风光场站的热电氢联供型系统优化配置方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于风光场站的热电氢联供型系统优化配置方法中的步骤。
详细步骤与实施例一提供的基于风光场站的热电氢联供型系统优化配置方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于风光场站的热电氢联供型系统优化配置方法中的步骤。
详细步骤与实施例一提供的基于风光场站的热电氢联供型系统优化配置方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (6)
1.一种基于风光场站的热电氢联供型系统优化配置方法，其特征在于，包括：
获取基于风光场站的热电氢联供型系统参数；
基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；
其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，在每次迭代中，每个个体根据其上一次迭代位置和参考位置来更新位置，得到热电氢联供型系统容量的最优配置；
所述目标函数设置为：
min f＝ω1Cin+ω2Com+ω3Cre+ω4Cen
式中，ω1、ω2、ω3和ω4表示权重系数，表征各目标函数的重要程度；Cin表示系统初始设备投资成本；Com表示系统的运行维护成本；Cre表示各设备的置换成本；Cen表示污染气体的治理费用；
所述系统设备的初始投资成本Cin为：
式中，λ1～λ10分别表示微电网中各设备的单位容量购买成本，包括微光伏电池、风机、蓄电池、燃料电池、电解槽、储氢罐、电锅炉、燃气锅炉、燃气轮机以及蓄热槽；R1～R10分别表示各设备的额定容量；
所述目标函数的约束条件包括：功率平衡约束、蓄电池运行约束、氢能系统约束、蓄热槽运行约束、锅炉设备运行约束和燃气轮机运行约束；
在所述采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解的过程中，初始化改进蝠鲼觅食优化算法参数，其中所述参数包括种群大小N，最大迭代次数，翻筋斗的系数；当前迭代次数，随机产生N个蝠鲼作为初始值；计算每个蝠鲼的适应度值；在每两个蝠鲼的适应度值取较小者，将该较小者与下一个蝠鲼的适应度值作比较，直到找到最优的适应度值及其所对应的权重因子值；根据旋风式觅食行为数学模型更新位置，根据链式觅食行为数学模型更新位置，计算此位置所对应的每个蝠鲼的适应度值，比较每两个蝠鲼的适应度值，取较小者与下一个蝠鲼的适应度值作比较，直到找到此位置最优的适应度值及其所对应的权重因子值；根据翻筋斗觅食数学模型更新位置；判断迭代次数是否达到最大迭代次数，若达到，则计算并输出检测概率；否则，继续迭代计算求解；
在进行配置之前，还包括制定基于风光场站的热电氢联供型系统的运行控制策略，所述运行控制策略包括满足电负荷策略和满足热负荷策略；
(1)当风光出力总和大于电负荷功率时，由光伏和风机给用户供电；多余能量优先供给电锅炉，电锅炉功率最大时若蓄电池有可充电容量，则能量供给蓄电池充电；若蓄电池已达到饱和状态不能进行充电时，剩余能量提供给电解槽进行电解水制氢，所得氢气储存在储氢罐中；若储氢罐储氢量达到最大时还有多余电能，则将能量传输到大电网；
(2)当风光出力总和小于电负荷功率时，优先由蓄电池进行放电，若蓄电池放电能量无法满足电负荷需求时，启动燃料电池进行发电，所需氢气来源于储氢罐，若燃料电池以最大功率进行发电仍无法满足电负荷需求，则向大电网寻求帮助；
(3)当电锅炉、燃料电池和电解槽三者中任意设备工作时，考虑到电锅炉的电热转换特性以及燃料电池、电解槽的产热特性，优先由其产生的热能满足热负荷；若所提供的热能充足，多余热能供给蓄热槽储存起来；若所供热能不足，优先由蓄热槽进行放热；若蓄热槽最大放热功率仍小于热负荷功率，则系统不足的热能由燃气轮机补充，当燃气轮机的余热不能满足微能源网内热负荷需求时，使用燃气锅炉补热。
2.如权利要求1中所述的一种基于风光场站的热电氢联供型系统优化配置方法，其特征在于，所述风光场站的热电氢联供型系统包括光伏发电系统模型、风力发电系统模型、电储能系统模型、燃料电池发电系统模型、水电解制氢系统模型、氢储能系统模型、电锅炉模型和热储能系统模型。
3.如权利要求2中所述的一种基于风光场站的热电氢联供型系统优化配置方法，其特征在于，所获取的基于风光场站的热电氢联供型系统参数包括各个模型的运行工况、容量配置和发电量影响因素。
4.一种基于风光场站的热电氢联供型系统优化配置系统，其特征在于，包括：
获取模块，其被配置为获取基于风光场站的热电氢联供型系统参数；
优化模块，其被配置为基于所获取的参数和预设的优化配置模型，实现热电氢联供型系统容量的优化配置；
其中，所述优化配置模型以热电氢联供型系统的总成本最小为目标来构建目标函数，采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解，在每次迭代中，每个个体根据其上一次迭代位置和参考位置来更新位置，得到热电氢联供型系统容量的最优配置；
所述目标函数设置为：
min f＝ω1Cin+ω2Com+ω3Cre+ω4Cen
式中，ω1、ω2、ω3和ω4表示权重系数，表征各目标函数的重要程度；Cin表示系统初始设备投资成本；Com表示系统的运行维护成本；Cre表示各设备的置换成本；Cen表示污染气体的治理费用；
所述系统设备的初始投资成本Cin为：
式中，λ1～λ10分别表示微电网中各设备的单位容量购买成本，包括微光伏电池、风机、蓄电池、燃料电池、电解槽、储氢罐、电锅炉、燃气锅炉、燃气轮机以及蓄热槽；R1～R10分别表示各设备的额定容量；
所述目标函数的约束条件包括：功率平衡约束、蓄电池运行约束、氢能系统约束、蓄热槽运行约束、锅炉设备运行约束和燃气轮机运行约束；
在所述采用改进的蝠鲼觅食优化算法对所构建的目标函数进行迭代求解的过程中，初始化改进蝠鲼觅食优化算法参数，其中所述参数包括种群大小N，最大迭代次数，翻筋斗的系数；当前迭代次数，随机产生N个蝠鲼作为初始值；计算每个蝠鲼的适应度值；在每两个蝠鲼的适应度值取较小者，将该较小者与下一个蝠鲼的适应度值作比较，直到找到最优的适应度值及其所对应的权重因子值；根据旋风式觅食行为数学模型更新位置，根据链式觅食行为数学模型更新位置，计算此位置所对应的每个蝠鲼的适应度值，比较每两个蝠鲼的适应度值，取较小者与下一个蝠鲼的适应度值作比较，直到找到此位置最优的适应度值及其所对应的权重因子值；根据翻筋斗觅食数学模型更新位置；判断迭代次数是否达到最大迭代次数，若达到，则计算并输出检测概率；否则，继续迭代计算求解；
在进行配置之前，还包括制定基于风光场站的热电氢联供型系统的运行控制策略，所述运行控制策略包括满足电负荷策略和满足热负荷策略；
(1)当风光出力总和大于电负荷功率时，由光伏和风机给用户供电；多余能量优先供给电锅炉，电锅炉功率最大时若蓄电池有可充电容量，则能量供给蓄电池充电；若蓄电池已达到饱和状态不能进行充电时，剩余能量提供给电解槽进行电解水制氢，所得氢气储存在储氢罐中；若储氢罐储氢量达到最大时还有多余电能，则将能量传输到大电网；
(2)当风光出力总和小于电负荷功率时，优先由蓄电池进行放电，若蓄电池放电能量无法满足电负荷需求时，启动燃料电池进行发电，所需氢气来源于储氢罐，若燃料电池以最大功率进行发电仍无法满足电负荷需求，则向大电网寻求帮助；
(3)当电锅炉、燃料电池和电解槽三者中任意设备工作时，考虑到电锅炉的电热转换特性以及燃料电池、电解槽的产热特性，优先由其产生的热能满足热负荷；若所提供的热能充足，多余热能供给蓄热槽储存起来；若所供热能不足，优先由蓄热槽进行放热；若蓄热槽最大放热功率仍小于热负荷功率，则系统不足的热能由燃气轮机补充，当燃气轮机的余热不能满足微能源网内热负荷需求时，使用燃气锅炉补热。
5.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一项所述的基于风光场站的热电氢联供型系统优化配置方法中的步骤。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的基于风光场站的热电氢联供型系统优化配置方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210891502.2A CN115238505B (zh) | 2022-07-27 | 2022-07-27 | 基于风光场站的热电氢联供型系统优化配置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210891502.2A CN115238505B (zh) | 2022-07-27 | 2022-07-27 | 基于风光场站的热电氢联供型系统优化配置方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115238505A CN115238505A (zh) | 2022-10-25 |
| CN115238505B true CN115238505B (zh) | 2024-02-13 |
Family
ID=83674447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210891502.2A Active CN115238505B (zh) | 2022-07-27 | 2022-07-27 | 基于风光场站的热电氢联供型系统优化配置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115238505B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077429A (zh) * | 2013-01-10 | 2013-05-01 | 华北电力大学 | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 |
| CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
| WO2019134532A1 (zh) * | 2018-01-02 | 2019-07-11 | 佛山科学技术学院 | 一种含风光可再生能源的热电联供系统运行方法 |
| CN110492506A (zh) * | 2019-09-12 | 2019-11-22 | 河海大学 | 一种风电-光伏-储热联合发电系统多目标容量优化方法 |
| CN111161809A (zh) * | 2019-12-10 | 2020-05-15 | 南京华盾电力信息安全测评有限公司 | 基于电转氢的能源系统操作灵活性提升方法 |
| CN111242806A (zh) * | 2020-02-19 | 2020-06-05 | 武汉理工大学 | 一种考虑不确定性的电-热-氢多能量系统的规划方法 |
| CN112016207A (zh) * | 2020-08-28 | 2020-12-01 | 河北工业大学 | 一种发电机组经济负荷分配优化方法 |
| CN112290592A (zh) * | 2020-10-28 | 2021-01-29 | 国网湖南省电力有限公司 | 一种风光储联合发电系统的容量优化规划方法、系统及可读存储介质 |
| CN112287493A (zh) * | 2020-09-17 | 2021-01-29 | 国家电网公司西南分部 | 含透平膨胀机的冷热电氢联供型微电网容量优化配置方法 |
| CN113201366A (zh) * | 2021-05-25 | 2021-08-03 | 长沙理工大学 | 一种生物质气化多联产系统的协同运行方法及其系统 |
| CN113240067A (zh) * | 2021-05-14 | 2021-08-10 | 江苏科技大学 | 一种基于改进蝠鲼觅食优化算法的rbf神经网络优化方法 |
| CN113850474A (zh) * | 2021-08-26 | 2021-12-28 | 西南交通大学 | 一种热电氢多能流综合能源系统及其优化调度方法 |
| CN114243791A (zh) * | 2022-01-19 | 2022-03-25 | 中国电力科学研究院有限公司 | 风光氢蓄系统的多目标优化配置方法、系统及存储介质 |
| CN114362268A (zh) * | 2022-01-12 | 2022-04-15 | 西安交通大学 | 基于风光荷两级预测的综合能源供电系统优化调度方法 |
| CN114462889A (zh) * | 2022-03-23 | 2022-05-10 | 西安交通大学 | 一种氢-电耦合多能源跨区域优化配置方法及系统 |
| CN114595619A (zh) * | 2021-11-12 | 2022-06-07 | 国网河南省电力公司焦作供电公司 | 基于氢储能的综合能源系统优化方法 |
| CN114629163A (zh) * | 2022-03-03 | 2022-06-14 | 内蒙古工业大学 | 一种基于氢能冷热电联供系统 |
-
2022
- 2022-07-27 CN CN202210891502.2A patent/CN115238505B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103077429A (zh) * | 2013-01-10 | 2013-05-01 | 华北电力大学 | 含风光发电与电动汽车换电站的孤立微电网容量优化方法 |
| WO2019134532A1 (zh) * | 2018-01-02 | 2019-07-11 | 佛山科学技术学院 | 一种含风光可再生能源的热电联供系统运行方法 |
| CN109165788A (zh) * | 2018-09-04 | 2019-01-08 | 河北工业大学 | 一种冷热电联供系统的优化方法 |
| CN110492506A (zh) * | 2019-09-12 | 2019-11-22 | 河海大学 | 一种风电-光伏-储热联合发电系统多目标容量优化方法 |
| CN111161809A (zh) * | 2019-12-10 | 2020-05-15 | 南京华盾电力信息安全测评有限公司 | 基于电转氢的能源系统操作灵活性提升方法 |
| CN111242806A (zh) * | 2020-02-19 | 2020-06-05 | 武汉理工大学 | 一种考虑不确定性的电-热-氢多能量系统的规划方法 |
| CN112016207A (zh) * | 2020-08-28 | 2020-12-01 | 河北工业大学 | 一种发电机组经济负荷分配优化方法 |
| CN112287493A (zh) * | 2020-09-17 | 2021-01-29 | 国家电网公司西南分部 | 含透平膨胀机的冷热电氢联供型微电网容量优化配置方法 |
| CN112290592A (zh) * | 2020-10-28 | 2021-01-29 | 国网湖南省电力有限公司 | 一种风光储联合发电系统的容量优化规划方法、系统及可读存储介质 |
| CN113240067A (zh) * | 2021-05-14 | 2021-08-10 | 江苏科技大学 | 一种基于改进蝠鲼觅食优化算法的rbf神经网络优化方法 |
| CN113201366A (zh) * | 2021-05-25 | 2021-08-03 | 长沙理工大学 | 一种生物质气化多联产系统的协同运行方法及其系统 |
| CN113850474A (zh) * | 2021-08-26 | 2021-12-28 | 西南交通大学 | 一种热电氢多能流综合能源系统及其优化调度方法 |
| CN114595619A (zh) * | 2021-11-12 | 2022-06-07 | 国网河南省电力公司焦作供电公司 | 基于氢储能的综合能源系统优化方法 |
| CN114362268A (zh) * | 2022-01-12 | 2022-04-15 | 西安交通大学 | 基于风光荷两级预测的综合能源供电系统优化调度方法 |
| CN114243791A (zh) * | 2022-01-19 | 2022-03-25 | 中国电力科学研究院有限公司 | 风光氢蓄系统的多目标优化配置方法、系统及存储介质 |
| CN114629163A (zh) * | 2022-03-03 | 2022-06-14 | 内蒙古工业大学 | 一种基于氢能冷热电联供系统 |
| CN114462889A (zh) * | 2022-03-23 | 2022-05-10 | 西安交通大学 | 一种氢-电耦合多能源跨区域优化配置方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| 基于改进蝙蝠算法的冷热电联供型综合能源系统调度;吴宣儒;李萍;郝才成;工业控制计算机(第008期);51-54 * |
| 基于氢储能的热电联供型微电网优化调度方法;李奇等;《西南交通大学学报》;第1-12页 * |
| 新能源冷热电联供系统优化设计方法研究;王瑞琪;王鹤鸣;孙波;天津大学学报;第54卷(第012期);1317-1326 * |
| 风光氢综合能源系统优化配置与协调控制策略研究;孔令国;中国博士学位论文全文数据库 工程科技Ⅱ辑;C042-77 * |
| 风光氢耦合发电系统的容量优化配置及日前优化调度;贾成真;王灵梅;孟恩隆;杨德荣;郭东杰;刘玉山;;中国电力(第10期);80-87 * |
| 风光氢耦合发电系统的容量优化配置及日前优化调度;贾成真等;《中国电力》(第10期);第80-87页 * |
| 风电氢储能混合系统的容量配置;张保明等;《青海电力》(第01期);第36-41页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115238505A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Capacity optimization of grid connected solar/fuel cell energy system using hybrid ABC-PSO algorithm | |
| Chen et al. | Multi-objective optimization of the hybrid wind/solar/fuel cell distributed generation system using Hammersley Sequence Sampling | |
| CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
| CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
| CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
| CN113850474B (zh) | 一种热电氢多能流综合能源系统及其优化调度方法 | |
| CN105958537A (zh) | 面向能源互联网的能源转换系统及其优化控制方法 | |
| CN111160636A (zh) | 一种cchp型微电网调度优化方法 | |
| CN115186791A (zh) | 一种计及氢气交易的电氢热耦合多能互补微电网优化配置方法 | |
| CN113488990B (zh) | 基于改进的蝙蝠算法的微电网优化调度方法 | |
| CN114742276A (zh) | 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法 | |
| CN117649089A (zh) | 一种集成氢能的综合能源系统鲁棒低碳优化调度方法 | |
| Mhlanga et al. | Standalone hybrid energy system model and control for economic load dispatch | |
| Lazaar et al. | Optimal sizing of marine current energy based hybrid Microgrid | |
| CN116960939A (zh) | 基于多目标粒子群算法的风光柴储系统优化调度方法、设备及存储介质 | |
| CN115238505B (zh) | 基于风光场站的热电氢联供型系统优化配置方法及系统 | |
| CN116865233A (zh) | 一种含电转气设备的微电网低碳经济运行优化方法 | |
| CN115375343A (zh) | 一种考虑分布式电源消纳效益的配电网协同互动方法 | |
| Chen et al. | Optimal control for a wind-hydrogen-fuel cell multi-vector energy system | |
| Wang et al. | Capacity Optimization of Island Integrated Energy System Considering Hydrogen Energy Access | |
| CN111404180A (zh) | 综合能源系统的优化调度方法和系统 | |
| Meitei et al. | Optimize Model of Hybrid Renewable System with Minimum Power Fluctuation Rate | |
| Jia et al. | Capacity Aptimization Allocation of Hydrogen Production System for Wind-Solar Complementary Power Generation | |
| Zhao et al. | Optimal Allocation and Operation of Combined Heat and Power Microgrid Including Phase Change Heat Storage | |
| Al-Shamma'a et al. | Grasshopper Optimization Algorithm for Optimal Sizing of a Stand-Alone Hybrid Energy System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |